Notice bibliographique
Résumé
In this session, we present three papers that together advance our understanding of the consequences of customer mistreatment of employees, and potential ways to mitigate the negative effects on employees of these difficult interactions. These studies all consist of field data collected from the service workforce using multiple designs (e.g. event level, cross- sectional, and tetradic collected at three points in time) from multiple sources of data including employees, supervisors and customers. Moreover, these studies are undertaken in different countries – China, the Phillipines, Canada, and South Korea adding the opportunity for discussion about cross-national difference in customer mistreatment of employees. The Role of Self-Esteem Threat in the Experience of Customer Mistreatment Presenter: Rajiv Amarnani; Australian National U. Presenter: Simon Lloyd D. Restubog; The Australian National U. Presenter: Prashant Bordia; The Australian National U. Customer Mistreatment and Employee Attributions: An Event Level Analysis Presenter: Yujie Zhan; Wilfrid Laurier U. Presenter: Xiaoxiao Hu; Old Dominion U. Presenter: Xiang Yao; Peking U. Presenter: Manuela Priesemuth; Wilfrid Laurier U. The Compensatory Effect of Supervisor Fairness in Predicting Employee Sabotage Toward the Customer Presenter: Daniel Skarlicki; U. of British Columbia Presenter: Danielle van Jaarsveld; U. of British Columbia Presenter: Ruodan Shao; City U. of Hong Kong Presenter: Young Ho Song; McGill U.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».